2018_Interpretable Credit Application Predictions With Counterfactual Explanations

最新推荐文章于 2025-11-24 21:26:24 发布
原创 最新推荐文章于 2025-11-24 21:26:24 发布 · 175 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #深度学习

博客记录了因果可解释性方面的论文，以及这些论文对 KT 的启发，涉及信息技术领域中可解释性研究与相关应用。

记录一些因果可解释性方面的论文，以及其对 KT 的启发

在这里插入图片描述

AI知识补全（十五）：AI可解释性与透明度是什么？
Code_流苏：在代码中寻诗意，在实践中觅真知
04-02 889
本文深入探讨AI可解释性与透明度的核心概念，剖析LIME、SHAP等关键技术，展示其在医疗、金融等领域的实际应用，并分析"黑盒问题"的解决路径，为构建可信赖的AI系统提供实用指南。
【CVPR2020】计算机视觉与模式识别会议论文完全清单_Part2
TomRen
06-11 3730
CVPR 2020 的论文已经于6月10号放出 由于篇幅限制分两部分发出—>part1 Todo：word-cloud Relative Interior Rule in Block-Coordinate Descent Author: Tomas Werner,Daniel Prusa,Tomas Dlask Learning Combinatorial Solver for Graph Matching Author: Tao Wang,He Liu,Yidong Li,Yi Jin,Xi.
【人工智能系列经典图书翻译】可解释机器学习（第二版） 参考文献
欲穷千里目，更上一层楼
09-13 1074
参考文献
可解释性机器学习：从入门到实战
热门推荐
林夕
12-18 1万+
机器学习的巨大成功导致AI应用的爆炸式增长。 研究人员已经将AI用于了各种任务。 不断持续的进步有望产生一个自主系统，它能够感知，学习，做出决策和采取独立行动。 但是，这些系统如果无法向人类解释为何作出这样的决策，那么它们的有效性将会受到限制。如果用户要理解，信任和有效管理新兴的人工智能”合作伙伴“，那么可解释的AI将至关重要。
归因分析笔记5:机器学习可解释性
越开源越幸运
02-24 7111
可解释的机器学习 电子书《可解释的机器学习（Interpretable Machine Learning）》。 在线阅读 https://christophm.github.io/interpretable-ml-book/index.html GitHub： https://github.com/christophM/interpretable-ml-book 该书认为特征被认为是可解释的，比如给定一天的温度或一个人的身高。特征的可解释性是一个很大的假设。但是，如果很难理解输入特征，那么就更难
标准化状态通道的架构与 Counterfactual
跨链技术践行者
05-14 1万+
频繁的交易使的以太坊虚拟机变得越来越慢，交易费也越来越高。当下，大多数建立在以太坊上的应用都是通过更新链上合约的存储变量来实现，用户需要支付交易费并花一定时间等待区块确认。 当然，这也是低效的。为了使用应用，我们要求用户手动将数据库更新提交至世界上最安全的、分布式的、无需信任的。。。1999 年老式手机（译者注：意为当前的以太坊就像 1999 年的老式手机）。 值得庆幸的是，有一个更好的方...
ICML 2023 时序和时空论文总结
suzukiwudi的博客
10-21 878
ICML（International Conference on Machine Learning，国际机器学习会议）在7月23日-29日在美国夏威夷举行。今年，ICML 共收到 6538 份投稿，其中 1827 份被接收，接收率约为 27.9%。本文总结了ICML 23有关时间序列和时空的相关论文，如有疏漏，欢迎大家补充。
Conceptual Challenges for Interpretable Machine Learning
weixin_42786150的博客
03-01 1668
Conceptual Challenges for Interpretable Machine Learning David S. Watson1 'Department of Statistical Science, University College London, London, UK Email for correspondence: david.watson@ucl.ac.uk §0 Abstract As machine learning has gradually entere..
NIPS 2018 接收论文list 完整清单
VIEO
09-04 2321
2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019​​​​​​​ >~1. Zero-Shot Transfer with Deictic Object-Oriented Representation in Reinforcement L...
2018 NIPS paper list
Z609834342的博客
12-10 2688
NIPS2018 接收论文包括poster、tutorial、workshop等，目前官网公布了论文清单： https://nips.cc/Conferences/2018/Schedule Poster paper >~1. Zero-Shot Transfer with Deictic Object-Oriented Rep...
最新-时间序列-顶会顶刊论文汇总【论文/源码链接】
weixin_45016199的博客
05-18 4992
这半年我一直在看时间序列相关的论文，这篇汇总非常有用，全是干货。顶会顶刊，开源代码。祝学习愉快！【搬运自github】【侵删】
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6382
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
简单神经网络
2301_81291487的博客
11-17 553
【代码】简单神经网络。
AI芯片设计实战：用Verilog高级综合技术优化神经网络加速器功耗与性能
云雾J视界的博客
11-24 548
本文探讨了Verilog高级综合技术在AI芯片设计中的应用与优化。随着AI芯片市场爆发式增长，传统手工设计方法面临功耗性能瓶颈，Verilog高级综合通过自动生成优化硬件，显著提升设计效率。文章详细分析了核心技术：逻辑优化原理（布尔化简、时序优化）和资源共享策略（功能单元复用），并以NVIDIA芯片为例展示了多精度乘法器和智能缓存控制器的实现。通过8位整型卷积加速器案例，验证了高级综合在缩短开发周期（6个月→2个月）和降低功耗（30%以上）方面的优势。最后展望了机器学习驱动综合算法、异构计算集成等未来发展方
【神经网络与深度学习（吴恩达）】神经网络基础学习笔记
qq_62361050的博客
11-24 404
接下来我们符号化一下表示，首先将x和y放在一起，x表示某张图片的特征向量，y表示分类结果，将所有的样本图片和与其对应的分类结果放在一块，即可组成数量为m的训练集，然后将所有x特征向量按列依次放入一个矩阵中即可组成一个X，表示待分类的图片特征数据矩阵，在Python语言中X.shape = (nx,m)，分类完成后，结果矩阵Y，表示所有分类结果数据，在Python语言中Y.shape = (1,m)。一个神经网络的计算都是按照前向或反向传播过程来实现的，首先计算出神经网络的输出，紧接着进行一个反向传输操作。
手写数字识别：从零搭建神经网络
一无所知的世界，走下去才有惊喜。让我们永远相信美好的事情即将发生，成为比昨天更优秀的自己。
11-19 1074
本文介绍了一个基于卷积神经网络(CNN)的手写数字识别系统，使用MNIST数据集实现。系统包含两个核心组件：模型构建(model.py)和训练过程(train.py)。模型采用典型CNN结构，包括卷积层(特征提取)、展平层(数据转换)和全连接层(分类计算)。训练过程通过数据预处理(归一化、添加通道维度)、批量训练(32样本/批次)和Adam优化器完成。系统在5个epoch内即可达到较高准确率，展示了CNN在图像识别任务中的有效性。整个过程清晰展现了深度学习模型的构建、训练和评估流程。
神经网络深度解析：从神经元到深度学习的进化之路
qq_51229257的博客
11-24 456
周志华《机器学习》第五章“神经网络”是连接传统机器学习与深度学习的桥梁——它从模拟人脑神经元的基本模型出发，逐步构建多层网络，核心突破是BP算法的提出，最终延伸到深度学习的核心思想。本章的核心逻辑是：通过“神经元加权求和+激活函数”构建基本单元，用多层结构拟合非线性关系，靠BP算法优化参数，再通过不同网络拓扑适应不同任务。本文将从“基础模型→核心算法→代码实现→习题解答”四个维度，用通俗比喻和实例拆解第五章的核心知识，帮你吃透神经网络的设计原理与工程实践。神经网络的最小单元是神经元，源于1943年提出的M-
神经网络之经验风险最小化
无风听海
11-24 17
概念定义优缺点经验风险最小化 (ERM)在训练集上最小化平均损失简单易行，但易过拟合结构风险最小化 (SRM)在 ERM 基础上加入正则项抑制过拟合，更具泛化能力。
深度学习——神经网络
最新发布
2303_80634169的博客
11-24 757
本文梳理了深度学习中的核心网络模型及其组件。基础模型包括MLP（全连接层堆叠）、CNN（卷积结构处理图像）、RNN（循环结构处理序列）和Transformer（自注意力机制）。扩展模型涵盖跨模态融合（如CLIP）、图神经网络（如GCN）和强化学习网络（如DQN）。核心组件涉及网络层（卷积/全连接/注意力等）、激活函数（ReLU/Sigmoid等）、优化器（Adam/SGD等）、损失函数（交叉熵/MSE等）以及数据处理方法。通过系统分类和典型示例，为深度学习模型选择与设计提供参考框架。
local interpretable model-agnostic explanations
05-19
局部可解释的模型无关解释（Local Interpretable Model-agnostic Explanations，LIME）是一种用于解释机器学习模型预测结果的方法。该方法的主要目的是提供对于单个预测结果的可解释性，同时保持模型的整体性能。 ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值